因子轮动（四）：数据挖掘视角下的因子轮动初探-20180609-长江证券-27页-1mb

因子轮动（四）总结

核心内容

本文从数据挖掘的视角出发，探讨了因子轮动在金融工程中的应用。通过引入市场环境变量与机器学习模型，特别是随机森林模型，分析了因子择时与因子选择的策略效果，并对不同逻辑下的因子轮动策略进行了对比。

主要观点

1. 因子轮动的特别之处

• 因子收益具有明确方向性，例如规模因子收益为负。
• 因子的相对表现有较为稳定的历史规律。
• 因子轮动的评价标准较难界定，需在收益与风险之间进行权衡。

2. 数据挖掘视角下的因子轮动

• 数据挖掘可以更精细地挖掘因子轮动关系，但存在数据量小、易过拟合、逻辑解释困难等问题。
• 通过扩充数据量、使用分类模型、分析变量间关系等方法，可以降低信噪比和过拟合风险。

3. 因子择时

• 基于市场环境变量和随机森林模型建立的因子择时策略在多数因子上优于默认因子方向策略。
• 因子择时风险指标：
  • 流动性因子：年化收益11.42%，最大回撤4.81%，波动率3.59%，信息比3.03，Calmar比2.37
  • beta因子：年化收益4.15%，最大回撤5.32%，波动率3.14%，信息比1.31，Calmar比0.78
  • 动量因子：年化收益0.68%，最大回撤7.91%，波动率3.11%，信息比0.23，Calmar比0.09
  • 反转因子：年化收益5.28%，最大回撤2.95%，波动率3.19%，信息比1.63，Calmar比1.79
  • 波动率因子：年化收益0.59%，最大回撤7.38%，波动率2.11%，信息比0.29，Calmar比0.08
  • ROE因子：年化收益1.1%，最大回撤8.15%，波动率2%，信息比0.56，Calmar比0.13
  • 规模因子：年化收益13.18%，最大回撤10.06%，波动率4.67%，信息比2.68，Calmar比1.31
  • 估值因子：年化收益2.59%，最大回撤8.25%，波动率2.99%，信息比0.87，Calmar比0.31
  • 成长因子：年化收益1.01%，最大回撤1.1%，波动率0.65%，信息比1.55，Calmar比0.92

4. 多因子组合策略

• 采用等权配置策略，基于因子择时进行多因子配置。
• 多因子组合风险指标：
  • 多因子组合：年化收益4.43%，最大回撤1.14%，波动率0.88%，信息比4.93，Calmar比3.87
  • 多因子择时：年化收益4.76%，最大回撤1.17%，波动率0.91%，信息比5.11，Calmar比4.06

5. 因子选择

• 通过市场环境变量和随机森林模型，对因子进行选择，以提高收益并降低风险。
• 外生逻辑三因子轮动策略：
  • 年化收益9.63%，最大回撤3.03%，波动率2.3%，信息比4.02，Calmar比3.18
  • 在2017-2018年表现优于后验最佳三因子策略。
• 内生逻辑三因子轮动策略：
  • 年化收益10.34%，最大回撤1.57%，波动率2.12%，信息比4.65，Calmar比6.58
  • 在2017-2018年表现更优，且在2018年优于2017年以来的后验最佳三因子策略。

关键信息

外生变量与因子有效区间的关系

• 外生变量（市场利率水平、市场波动率、市场流动性、市场资金面水平）对因子是否有效有较大影响。
• 基于外生变量建立的因子择时策略在年化收益、信息比和Calmar比上均有提升，同时降低最大回撤和波动率。

内生变量与因子选择的关系

• 内生变量（因子收益相关性）对因子相对收益的判断更为精确。
• 内生逻辑下的因子选择策略在收益和风险上均优于外生逻辑，特别是在2017-2018年。

数据挖掘与未来数据

• 数据挖掘依赖于历史数据，不能使用未来数据，否则会提高策略表现但失去实际意义。
• 通过正向和反向滚动模型，可以发现不同时间段下因子表现的变化。

因子轮动策略效果对比

风险提示

1. 模型在使用中存在失效的风险。
2. 本文举例均是基于历史数据，不保证其未来收益。

分析师信息

• 分析师：覃川桃
• 执业证书编号：S0490513030001
• 联系人：郑起
• 联系方式：(8621) 61118706
• 邮箱：zhengqi2@cjsc.com

联系方式

• 上海：浦东新区世纪大道1198号世纪汇广场一座29层（200122）
• 武汉：武汉市新华路特8号长江证券大厦11楼（430015）
• 北京：西城区金融街33号通泰大厦15层（100032）
• 深圳：深圳市福田区福华一路6号免税商务大厦18楼（518000）